library(readr)
Data <- read_csv("Data.csv", show_col_types = FALSE)
View(Data)
Menampilkan Data CSV
Judul: Distribusi Angka Harapan Hidup Tahapan untuk Menyusun Grafik:
1.Gunakan library ggplot2 untuk membuat visualisasi.
2.Gunakan fungsi ggplot() untuk memetakan variabel Angka_Harapan_Hidup pada sumbu X.
3.Tambahkan layer geom_histogram() untuk membuat histogram.
4.Tentukan parameter binwidth, fill, dan color untuk estetika.
5.Gunakan labs() untuk menambahkan judul dan label sumbu.
Label Sumbu:
X: Angka Harapan Hidup
Y: Frekuensi
Interpretasi Grafik: Histogram ini menunjukkan distribusi angka harapan hidup di dataset. Rentang nilai Angka_Harapan_Hidup dibagi menjadi interval dengan lebar 5. Dari grafik ini, kita dapat melihat rentang nilai yang paling sering muncul. Contoh: Jika rentang 70-75 memiliki puncak tertinggi, maka mayoritas negara memiliki angka harapan hidup di rentang tersebut.
library(ggplot2)
# Membuat histogram
ggplot(Data, aes(x = Angka_Harapan_Hidup)) +
geom_histogram(binwidth = 5, fill = "skyblue", color = "black") +
labs(
title = "Distribusi Angka Harapan Hidup",
x = "Angka Harapan Hidup",
y = "Frekuensi"
) +
theme_minimal()
Judul: Rata-rata Angka Harapan Hidup per Benua Tahapan untuk Menyusun Grafik:
1 Pemetaan Data: aes(x = Benua, y = Angka_Harapan_Hidup): Memetakan Benua pada sumbu X dan Angka_Harapan_Hidup pada sumbu Y.Gunakan fill = Benua untuk memberikan warna berbeda pada setiap kategori benua.
2 Statistik: stat_summary(fun = “mean”, geom = “bar”): Menampilkan rata-rata Angka_Harapan_Hidup untuk setiap benua dalam bentuk bar.
3 Visualisasi: geom = “bar” untuk menampilkan grafik batang. width = 0.6 untuk mengatur lebar batang agar lebih rapi.
4 Label dan Judul: Gunakan labs() untuk menambahkan judul dan label sumbu yang relevan.
5 Estetika: Warna batang diatur berdasarkan benua menggunakan parameter fill. .
Label Sumbu:
X: Benua
Y: Rata-rata Angka Harapan Hidup
Interpretasi Grafik: Grafik ini menampilkan rata-rata angka harapan hidup untuk setiap benua. Perbandingan antar batang memudahkan identifikasi benua dengan angka harapan hidup tertinggi dan terendah. Contoh: Jika benua dengan batang tertinggi adalah Eropa, berarti benua ini memiliki rata-rata angka harapan hidup tertinggi dibandingkan benua lain.
ggplot(Data, aes(x = Benua, y = Angka_Harapan_Hidup, fill = Benua)) +
stat_summary(fun = "mean", geom = "bar", width = 0.6) +
labs(
title = "Rata-rata Angka Harapan Hidup per Benua",
x = "Benua",
y = "Rata-rata Angka Harapan Hidup",
fill = "Benua"
) +
theme_minimal()
3D Scatter Plot: Pendapatan, Angka Harapan Hidup, dan Populasi
Penjelasan Tahapan :
y = ~Angka_Harapan_Hidup: Data sumbu Y adalah Angka Harapan Hidup.
z = ~Populasi: Data sumbu Z adalah Populasi.
color = ~Benua: Warna titik ditentukan oleh kategori benua.
Anda dapat menyertakan informasi penting seperti nama negara, populasi, dan pendapatan.
mode = “markers”: Menggunakan marker (titik) untuk merepresentasikan data.
marker = list(size = 5, opacity = 0.7): Menyesuaikan ukuran dan transparansi titik.
scene: Menentukan pengaturan untuk sumbu 3D.
Interpretasi Grafik: Grafik ini menunjukkan hubungan antara Pendapatan per Kapita, Angka Harapan Hidup, dan Populasi.
Sumbu X: Pendapatan per Kapita (kekayaan rata-rata per orang di suatu negara).
Sumbu Y: Angka Harapan Hidup (indikator kesehatan dan kualitas hidup).
Sumbu Z: Populasi (jumlah total penduduk negara).
Warna titik menunjukkan benua masing-masing negara, memudahkan analisis per kawasan.
suppressPackageStartupMessages(library(plotly))
fig <- plot_ly(
data = Data,
x = ~Pendapatan_per_kapita,
y = ~Angka_Harapan_Hidup,
z = ~Populasi,
type = "scatter3d",
mode = "markers",
color = ~Benua,
marker = list(size = 5, opacity = 0.7),
text = ~paste(
"Negara:", Negara,
"<br>Pendapatan per Kapita:", Pendapatan_per_kapita,
"<br>Angka Harapan Hidup:", Angka_Harapan_Hidup,
"<br>Populasi:", Populasi
)
)
fig <- fig %>%
layout(
title = "3D Scatter Plot: Pendapatan, Angka Harapan Hidup, dan Populasi",
scene = list(
xaxis = list(title = "Pendapatan per Kapita"),
yaxis = list(title = "Angka Harapan Hidup"),
zaxis = list(title = "Populasi")
)
)
fig
Judul : Perubahan Dari Tahun Ke Tahun
Penjelasan Tahapan :
1 Memuat Library : library(plotly)
2 Menonaktifkan Peringatan (Opsional) : options(warn = -1)
3 Membuat Plot Interaktif dengan plot_ly() : fig <- plot_ly(Data,
4 Menentukan Sumbu X dan Y : x = ~Pendapatan_per_kapita, y = ~Angka_Harapan_Hidup,
5 Menambahkan Variabel Tambahan untuk Analisis Multivariat :size = ~Populasi, color = ~Benua, frame = ~Tahun,
6 Menambahkan Informasi Tambahan pada Titik Data : text =
~paste(“Negara:”, Negara, “
Pendapatan:”, Pendapatan_per_kapita,
“
Harapan Hidup:”, Angka_Harapan_Hidup, “
Populasi:”,
Populasi),
7 Menentukan Tipe dan Mode Grafik : type = ‘scatter’, mode = ‘markers’
8 Menyesuaikan Tata Letak (layout()) : layout(title = “Perubahan Multivariat dari Tahun ke Tahun”, xaxis = list(title = “Pendapatan Per Kapita”), yaxis = list(title = “Angka Harapan Hidup”))
9 Menampilkan Grafik : fig
Interpretasi Grafik :
Grafik ini adalah animasi interaktif yang menampilkan perubahan hubungan antara Pendapatan per Kapita dan Angka Harapan Hidup dari waktu ke waktu.
Setiap titik mewakili sebuah negara, dengan: Ukuran titik menunjukkan populasi negara tersebut. Warna titik menunjukkan benua asal negara tersebut.
Pengguna dapat melihat perkembangan indikator ekonomi dan kesehatan seiring waktu dengan menggerakkan animasi berdasarkan variabel Tahun.
library(plotly)
options(warn = -1)
fig <- plot_ly(Data,
x = ~Pendapatan_per_kapita,
y = ~Angka_Harapan_Hidup,
size = ~Populasi,
color = ~Benua,
frame = ~Tahun,
text = ~paste("Negara:", Negara,
"<br>Pendapatan:", Pendapatan_per_kapita,
"<br>Harapan Hidup:", Angka_Harapan_Hidup,
"<br>Populasi:", Populasi),
type = 'scatter',
mode = 'markers') %>%
layout(title = "Perubahan Multivariat dari Tahun ke Tahun",
xaxis = list(title = "Pendapatan Per Kapita"),
yaxis = list(title = "Angka Harapan Hidup"))
fig
Dari beberapa visualisasi yang telah dibuat menggunakan ggplot2 dan plotly, kita dapat mengambil beberapa kesimpulan mengenai hubungan antara Angka Harapan Hidup, Pendapatan per Kapita, Populasi, dan Benua.
stat_summary(fun = "mean"), kita
dapat membandingkan angka harapan hidup antar-benua.size = 5.frame = ~Tahun), kita
bisa melihat tren perkembangan angka harapan hidup dan ekonomi di
seluruh dunia.Kesimpulan Umum
Angka harapan hidup cenderung meningkat seiring dengan bertambahnya
pendapatan per kapita.
Ada variasi angka harapan hidup antar benua, yang dapat menunjukkan
perbedaan dalam akses layanan kesehatan dan kondisi
sosial-ekonomi.
Negara-negara dengan populasi besar sering kali memiliki angka harapan
hidup yang bervariasi, tergantung pada wilayah dan faktor sosial.
Visualisasi animasi sangat membantu untuk melihat tren perubahan dari
waktu ke waktu, terutama dalam studi pertumbuhan global.